北京邮电大学学报 ›› 2022, Vol. 45 ›› Issue (2): 72-78.doi: 10.13190/j.jbupt.2021-142
一种路网级交通事故风险预测方法
宁静1, 佘红艳2, 赵东1, 罗丹1, 王磊3
- 1. 北京邮电大学 智能通信软件与多媒体北京市重点实验室, 北京 100876;
2. 华录易云科技有限公司, 南京 210000;
3. 山东省泰安市公安局 交通警察支队, 泰安 271000
A Road-Level Traffic Accident Risk Prediction Method
NING Jing1, SHE Hongyan2, ZHAO Dong1, LUO Dan1, WANG Lei3
- 1. Beijing Key Laboratory of Intelligent Communication Software and Multimedia, Beijing University of Posts and Telecommunications, Beijing 100876, China;
2. Hualu Yiyun Technology Company of Limited, Nanjing 210000, China;
3. Traffic Police Detachment, Tai'an Public Security Bureau of Shandong Province, Tai'an 271000, China
摘要: 现有的深度学习方法将空间区域网格化,不符合事故发生的自然形态。考虑到交通事故大多发生在道路上,为了在空间维度上更精准地完成事故风险预测任务,针对路段级别的事故风险预测问题,提出了一种融合尺度缩减注意力机制和图卷积网络的城市交通事故风险预测(SA-GCN)模型。首先,有效结合历史长期和短期事故风险、外部天气特征,采用门控图卷积模块捕获时空相关性,并使用注意力机制以获得不同时空特征的动态性表达;其次,针对事故数据的稀疏性和空间异质性问题,引入了尺度缩减模块,以聚类后粗粒度区域的事故风险引导路段级别的事故风险预测。在公开性能测量系统数据集上的实验结果表明,SA-GCN模型优于其他6种基准模型,并且比现有最新模型的准确率提升了11%。
中图分类号: